当目标是tensorflow中的一个输入时，如何使用“model.predict”？

Question

我注意到https://www.tensorflow.org/guide/keras/train_and_evaluate#automatically_setting_apart_a_validation_holdout_set中的LogisticEndpoint层。该文档构建了如下模型：

import numpy as np

inputs = keras.Input(shape=(3,), name="inputs")
targets = keras.Input(shape=(10,), name="targets")
logits = keras.layers.Dense(10)(inputs)
predictions = LogisticEndpoint(name="predictions")(logits, targets)

model = keras.Model(inputs=[inputs, targets], outputs=predictions)
model.compile(optimizer="adam")  # No loss argument!

data = {
    "inputs": np.random.random((3, 3)),
    "targets": np.random.random((3, 10)),
}
model.fit(data)

我的问题是在推理时如何使用这个模型，因为我们在使用model.predict时不知道目标

Answer 1

“LogisticEndpoint”实际上是一个层。它将预测和目标作为输入，可以计算add_loss()跟踪的损失，并计算add_metric()跟踪的精度标量

如果我没有错的话，目标实际上是地面真相数据。 当您进行推理（测试阶段，既不训练也不验证）时，您不需要地面真实数据。 只需将输入传递给模型，然后将输出作为预测

要对多输入进行预测：

首先，将多个输入转换为一个数组（可能是一个大数组）

然后确保数组的形状（或者确切地说，张量）与输入层的大小匹配

TF2中有一部分代码用于多输入

...
 for view_id in range(1,9):
   ...
                img = self.transform(img).float()
                pose_2d = self.transform(pose_2d).float()
                img_con.append(img)
                pose_2d_con.append(pose_2d)
# then make the img_con and pose_2d_con two tensor.